Высокоточная недеструктивная инспекция поверхности лопаток с помощью самообучающихся трансформерных сетей

Обеспечение безопасности авиадвижения

Каждый коммерческий рейс зависит от лопаток турбины, вращающихся в глубине авиационных двигателей при экстремальных температурах и огромных скоростях. Если защитное покрытие этих лопаток начинает трескаться, образуются ямки или оно отслаивается, эффективность падает, а риск отказа увеличивается. В этом исследовании рассматривается, как система искусственного интеллекта может автоматически обнаруживать крошечные дефекты на поверхностях лопаток по изображениям, обещая более быстрые и надёжные инспекции, что в свою очередь сделает полёты безопаснее и дешевле.

Почему важны крошечные дефекты поверхности

Лопатки внутри авиационного двигателя подвергаются обжигающему теплу, резким перепадам давления и агрессивной смеси газов и частиц. Чтобы выдерживать эти условия, их покрывают специальными слоями, которые действуют как термическая броня и антикоррозийное покрытие. Со временем эти покрытия могут образовывать тонкие трещины, ямки, участки отслоения и мелкие включения под поверхностью. Если такие повреждения остаются незамеченными, они могут разрастаться, ослаблять лопатку, увеличивать расход топлива и в крайних случаях способствовать отказу двигателя. Современные проверки в значительной степени полагаются на людей, использующих камеры, ультразвук или тепловизионную съёмку. Эти методы работают, но они медленные, трудозатратные и могут пропускать мельчайшие дефекты на изогнутых, блестящих поверхностях лопаток.

От ручных проверок к обучающимся машинам

В последние годы системы компьютерного зрения на базе глубокого обучения начали помогать в промышленных задачах инспекции. Традиционные глубокие сети — сверточные нейронные сети — хорошо распознают локальные паттерны, например трещину на небольшом плоском участке. Но они испытывают трудности, когда поверхность изогнута, освещение неравномерно или дефекты разбросаны по разным частям изображения. Ранее исследования в основном фокусировались на плоских материалах, таких как печатные платы или стальные листы, которые не отражают визуальных сложностей реальных лопаток авиационных двигателей. Новые модели, известные как визуальные трансформеры, изначально разработанные для распознавания изображений, могут анализировать всю картинку целиком, обучаясь взаимосвязям между удалёнными участками изображения. Такой широкий взгляд делает их перспективными для сложных задач инспекции, где важны и мелкие детали, и общая структура.

Новый способ осмотра лопаток внутри двигателей

Авторы предлагают систему инспекции на базе модели Swin Transformer, адаптированной специально для лопаток турбин и компрессоров. Сначала собираются высокоразрешающие изображения реальных лопаток — из лабораторных установок, бороскопов внутри двигателей и публичных наборов данных. Каждый дефект — трещина, вмятина, ямка или включение — аккуратно размечается экспертами, чтобы модель могла учиться на чётких примерах. Перед обучением изображения проходят специальную очистку: выравнивают освещение, снижают шум без размытия краёв дефектов и преобразуют цвета в формат, подчёркивающий тонкие изменения поверхности. Затем изображения искусственно варьируют — вращают, переворачивают, меняют яркость и накладывают синтетические дефекты — чтобы система научилась работать в разных реальных условиях.

Как работает умный инспектор

После подготовки каждое изображение лопатки разрезают на маленькие квадратные патчи, которые подаются в Swin Transformer. Внутри модели группы соседних патчей анализируются в скользящих «окнах», смещающихся между слоями, что позволяет системе улавливать как мельчайшие детали, так и их более широкое окружение. Такая многослойная структура внимания позволяет связать слабую линию на лопасти с более широкими паттернами повреждения покрытия. Поверх этой основы дополнительный модуль объединяет информацию с разных масштабов, чтобы одновременно обнаруживать очень мелкие ямки и большие участки отслоения. Обученная система затем за доли секунды отмечает на лопатке каждое повреждение и определяет его категорию.

Что показали испытания

Для оценки производительности исследователи сравнили свой подход с известными глубокими сетями, широко используемыми в анализе изображений. Их Swin Transformer достиг примерно 98% точности при различении повреждённых и неповреждённых участков и при классификации четырёх основных типов дефектов: вмятина, трещина, пористость и включение. Модель обнаруживала почти все истинные дефекты при низком уровне ложных тревог и точно локализовала повреждения, даже когда они имели размеры в доли миллиметра. Эксперименты также показали, что каждая часть конвейера важна: улучшённая предобработка изображений и расширение данных повышали результаты, но наибольший скачок дал переход на архитектуру Swin Transformer. Система обеспечивала такую производительность при скоростях обработки, пригодных для использования в плановом обслуживании.

Что это значит для будущих полётов

Проще говоря, эта работа показывает, что ИИ-инспектор способен контролировать состояние лопаток авиационных двигателей с точностью и последовательностью, превосходящими многие существующие методы, особенно для самых трудноразличимых дефектов. Автоматически выявляя крошечные трещины и ямки до того, как они станут серьёзными, такие системы могут сократить время осмотров, снизить зависимость от дефицитных специалистов и помочь предотвратить дорогостоящие или опасные отказы. Авторы представляют свою модель как часть автоматизированных линий обслуживания, работающую в паре с роботизированными камерами и, в перспективе, с цифровыми двойниками, отслеживающими состояние двигателя на протяжении всего срока службы. Для пассажиров итог — не просто более умные алгоритмы, а более тихие, чистые и безопасные полёты.

Цитирование: Kannusamy, P., Gayathri, D., Mirdula, S. et al. High-precision non-destructive blade surface inspection via self learning transformer networks. Sci Rep 16, 10288 (2026). https://doi.org/10.1038/s41598-026-41373-x

Ключевые слова: инспекция лопаток авиационного двигателя, обнаружение дефектов поверхности, зрение глубокого обучения, модели на основе трансформеров, обслуживание авиационной техники